换一批构建基于MRI生境组学的机器学习模型评估IGM术后复发风险
Development of Machine Learning Models Based on MRI Habitatomics for Assessing Postoperative Recurrence Risk in Idiopathic Granulomatous Mastitis
摘要目的:基于多参数MRI传统影像组学和分区域生境组学特征构建机器学习模型,评估其对特发性肉芽肿性乳腺炎(IGM)患者术后复发风险的预测效能.方法:回顾性收集2019年1月-2024年9月在上海中医药大学附属龙华医院就诊并经手术切除治疗的103例IGM患者资料.按7∶3比例将所有研究对象随机分配至训练集(72例)与验证集(31例).所有患者均行多参数MRI扫描,获得患者T2加权成像(T2WI)、表观弥散系数(ADC)、动态对比增强减影技术处理(DCE-SUB)图像并进行预处理,然后提取各图生境影像组学特征及传统影像组学特征分别构建生境影像组学模型(Mul_Habitat)和传统(瘤内)影像组学模型(Mul_Intra),同时采用单因素和多因素logistic回归评估对临床-影像学变量与IGM术后复发与否的相关性以构建临床模型(Clinic),分别计算Clinic、Mul_Intra和Mul_Habitat模型的灵敏度、特异度、准确度,通过计算曲线下面积(AUC),结合DeLong检验、决策曲线分析(DCA)等综合评估各模型的诊断效能.结果:Mul_Habitat模型在训练集和测试集中的AUC分别为0.795和0.723,均优于Mul_Intra模型(0.755和0.668)和Clinic模型(0.579和0.507).结论:所构建的Mul_Habitat模型可准确判断IGM患者的术后复发情况,有助于实现针对IGM的更有效的个性化治疗计划,并最终提高患者的临床诊疗管理.
更多相关知识
关键词
特发性肉芽肿性乳腺炎磁共振成像多参数机器学习生境分析复发Idiopathic granulomatous mastitisMagnetic resonance imagingMulti-parameterMachine learningHabitat analysisRecurrence
栏目名称
DOI
10.3969/j.issn.1006-5741.2026.02.021
发布时间
2026-05-14（万方平台首次上网日期，不代表论文的发表时间）
- 浏览5
- 被引0
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
